MétaCan
Menu
Retour à la cohorte
Enregistrement W2068902053 · doi:10.1002/nur.20364

Cultural adaptation and translation of measures: An integrated method

2010· article· en· W2068902053 sur OpenAlexafffund
Souraya Sidani, Sepali Guruge, Joyal Miranda, Marilyn Ford‐Gilboe, Colleen Varcoe

Notice bibliographique

RevueResearch in Nursing & Health · 2010
Typearticle
Langueen
DomaineNursing
ThématiqueNursing Diagnosis and Documentation
Établissements canadiensWestern UniversityUniversity of TorontoUniversity of British ColumbiaToronto Metropolitan UniversityResearch Canada
Organismes subventionnairesCanadian Institutes of Health ResearchCanada Research ChairsRyerson University
Mots-clésOperationalizationConceptualizationEquivalence (formal languages)Adaptation (eye)Set (abstract data type)Conceptual frameworkTranslation (biology)Computer scienceProcess (computing)Dynamic and formal equivalencePsychologyNatural language processingArtificial intelligenceSociologyEpistemologyLinguisticsMachine translationSocial science

Résumé

récupéré en direct d'OpenAlex

Differences in the conceptualization and operationalization of health-related concepts may exist across cultures. Such differences underscore the importance of examining conceptual equivalence when adapting and translating instruments. In this article, we describe an integrated method for exploring conceptual equivalence within the process of adapting and translating measures. The integrated method involves five phases including selection of instruments for cultural adaptation and translation; assessment of conceptual equivalence, leading to the generation of a set of items deemed to be culturally and linguistically appropriate to assess the concept of interest in the target community; forward translation; back translation (optional); and pre-testing of the set of items. Strengths and limitations of the proposed integrated method are discussed.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,188
score de la tête « metaresearch » (Gemma)0,269
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,812
Score d'incertitude au seuil0,995

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1880,269
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0030,003
Bibliométrie0,0110,012
Études des sciences et des technologies0,0030,003
Communication savante0,0050,004
Science ouverte0,0030,010
Intégrité de la recherche0,0020,005
Charge utile insuffisante (le modèle a refusé de juger)0,0090,005

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,199
Tête enseignante GPT0,537
Écart entre enseignants0,338 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeThéorique ou conceptuel
DomaineMéthodes
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations204
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueResearch in Nursing & HealthMême sujetNursing Diagnosis and DocumentationTravaux en français237 207